功能
预测模型
NeuralForecast 目前提供以下模型。
| 模型¹ | Auto模型² | 系列³ | 单变量 / 多变量⁴ | 预测类型⁵ | 外生⁶ |
|---|---|---|---|---|---|
Autoformer | AutoAutoformer | Transformer | Univariate | Direct | F |
BiTCN | AutoBiTCN | CNN | Univariate | Direct | F/H/S |
DeepAR | AutoDeepAR | RNN | Univariate | Direct | F/S |
DeepNPTS | AutoDeepNPTS | MLP | Univariate | Direct | F/H/S |
DilatedRNN | AutoDilatedRNN | RNN | Univariate | Direct | F/H/S |
FEDformer | AutoFEDformer | Transformer | Univariate | Direct | F |
GRU | AutoGRU | RNN | Univariate | Both8 | F/H/S |
HINT | AutoHINT | Any7 | Both7 | Both7 | F/H/S |
Informer | AutoInformer | Transformer | Univariate | Direct | F |
iTransformer | AutoiTransformer | Transformer | Multivariate | Direct | - |
KAN | AutoKAN | KAN | Univariate | Direct | F/H/S |
LSTM | AutoLSTM | RNN | Univariate | Both8 | F/H/S |
MLP | AutoMLP | MLP | Univariate | Direct | F/H/S |
MLPMultivariate | AutoMLPMultivariate | MLP | Multivariate | Direct | F/H/S |
NBEATS | AutoNBEATS | MLP | Univariate | Direct | - |
NBEATSx | AutoNBEATSx | MLP | Univariate | Direct | F/H/S |
NHITS | AutoNHITS | MLP | Univariate | Direct | F/H/S |
NLinear | AutoNLinear | MLP | Univariate | Direct | - |
PatchTST | AutoPatchTST | Transformer | Univariate | Direct | - |
RMoK | AutoRMoK | KAN | Multivariate | Direct | - |
RNN | AutoRNN | RNN | Univariate | Both8 | F/H/S |
SOFTS | AutoSOFTS | MLP | Multivariate | Direct | - |
StemGNN | AutoStemGNN | GNN | Multivariate | Direct | - |
TCN | AutoTCN | CNN | Univariate | Direct | F/H/S |
TFT | AutoTFT | Transformer | Univariate | Direct | F/H/S |
TiDE | AutoTiDE | MLP | Univariate | Direct | F/H/S |
TimeMixer | AutoTimeMixer | MLP | Multivariate | Direct | - |
TimeLLM | - | LLM | Univariate | Direct | - |
TimesNet | AutoTimesNet | CNN | Univariate | Direct | F |
TimeXer | AutoTimeXer | Transformer | Multivariate | Direct | F |
TSMixer | AutoTSMixer | MLP | Multivariate | Direct | - |
TSMixerx | AutoTSMixerx | MLP | Multivariate | Direct | F/H/S |
VanillaTransformer | AutoVanillaTransformer | Transformer | Univariate | Direct | F |
- 模型：模型的名称。
- Auto模型：NeuralForecast 大多数模型也提供 Auto* 版本，其中底层模型的超参数会自动优化，并选择验证集上表现最佳的模型。优化方法包括网格搜索、随机搜索和贝叶斯优化。
- 系列：支撑模型的主要神经网络架构。
- 单变量 / 多变量：多变量模型明确地建模数据集中多个时间序列之间的相互作用，并同时为多个时间序列提供预测。相比之下，在多个时间序列上训练的单变量模型隐式地建模多个时间序列之间的相互作用，并同时为单个时间序列提供预测。多变量模型通常计算成本较高，并且根据经验来看，与使用单变量模型相比，它们不一定能提供更好的预测性能。
- 预测类型：直接预测模型是一次性生成预测范围内所有步骤的模型。相比之下，递归预测模型预测未来一步，然后使用该预测来计算预测范围内的下一步，依此类推。与递归预测模型相比，直接预测模型通常受偏差和方差传播的影响较小，而递归模型的计算成本可能较低。
- 外生：模型是否接受外生变量。这可以是包含过去和未来信息的外生变量 (F)，仅包含过去信息（历史，H）的外生变量，或者包含静态信息（静态，S）的外生变量。
- HINT 是一个模块化框架，可以结合任何类型的神经网络架构与任务专用的混合概率和先进的层次协调策略。
- 可以递归和直接生成预测的模型。例如，RNN 模型使用 RNN 对过去序列进行编码，随后用户可以选择使用 RNN 递归地生成预测，或者使用以编码序列作为输入的 MLP 直接生成预测。这些模型具有一个 `recursive=False` 特性，用于设置它们如何生成预测。